Taxontk 和csvtk创建NR数据库标准层级注释中报错：[ERRO] record on line 1583: wrong number of fields

NCBI上的NR数据库过于冗余，且物种注释的taxonomy文件中names.dmp和nodes.dmp的物种信较为复杂，因此我们可以通过taxontk这个工具将不同层级的物种信息整合成像下面一张表，里面包含普通的谱系，界门纲目科属种；

 

         根据这样的表，再结合比对数据库和prot.accession2taxid.gz获取的taxid对应序列名的文件，可获得物种注释信息。

1. Taxontk的下载和安装以及配置

https://bioinf.shenwei.me/taxonkit/download/  （十分详细的Taxontk安装和使用的教程）

2. 提取物种taxid

#taxontk list 提取物种taxid，以细菌为例，其ids为2
taxontk list --ids 2 --indent "" > bacteria_taxid.txt

#3090为plant 2为bacteria; 2157为Archaea；10239 为Viruses；2759为Eukaryota；4751为Fungi
#若是未能将taxonomy文件中的name.dmp和nodes.dmp文件复制到指定的./taxontk位置，可通过 --data-dir设置文件位置





 

3. reformat 生成标准层级物种注释

 TaxonKit可以用自定义内容替代缺失的分类单元，如用“__”替代，甚至，TaxonKit还可以用更高层级的分类单元信息来补齐缺失的层级 (-F/--fill-miss-rank)

less bacteria_taxid.txt \
| taxonkit lineage \
| taxonkit reformat -f "{k}\t{p}\t{c}\t{o}\t{f}\t{g}\t{s}" -F -P \
| csvtk cut -t -f -2 \
| csvtk add-header -t -n taxid,kindom,phylum,class,order,family,genus,species \
| csvtk pretty -t > bacteria_taxid.txt 

输出格式可选只输出部分分类学水平，还支持制表符（"\t"），再配合作者的另一个工具csvtk，可以输出漂亮的结果。

其它有用的选项：

• -P/--add-prefix：给每个分类学水平添加前缀，比如s__species。
• -t/--show-lineage-taxids：输出分类学单元对应的TaxID。
• -r/--miss-rank-repl: 替代没有对应rank的taxon名称
• -S/--pseudo-strain: 对于低于species且rank既不是subspecies也不是stain的taxid，使用水平最低taxon名称做为菌株名称。

这个脚本运行后，可能会出现报错：

[ERRO] record on line 1583: wrong number of fields

这是因为一些taxid没有匹配到谱系，导致出现空行，在进行csvtk add-header 添加一行时就会报错。在查看csvtk add-header帮助文档后，发现了这一个参数：

-I, --ignore-illegal-row     ignore illegal rows

因此，在上行代码 csvtk add-header 后加上-I即可完美解决。